【圖像分類探析綜述1700字】

圖像分類分析綜述目錄TOC\o"1-2"\h\u12312圖像分類分析綜述 1284391.1傳統(tǒng)圖像分類算法 1132561.2卷積神經(jīng)網(wǎng)絡(luò)圖像分類 2190344.產(chǎn)生分類器，進(jìn)行預(yù)測(cè)識(shí)別 2234632.3小樣本數(shù)據(jù)集微調(diào) 2245492.3.1正則化 2177112.3.2拓展數(shù)據(jù)集 3圖像分類的任務(wù)就是對(duì)于給定的一個(gè)圖像，通過運(yùn)算能夠正確得到該圖像所屬的類別。對(duì)于強(qiáng)大的人類視覺系統(tǒng)來說，通過人眼接收到圖像，判別出一個(gè)圖像的所屬類別是件很簡單的事，只需根據(jù)這個(gè)圖像所具有的特點(diǎn)即可進(jìn)行相對(duì)準(zhǔn)確判斷；但是對(duì)于計(jì)算機(jī)來說，計(jì)算機(jī)對(duì)于輸入的圖像得到的是圖像中每個(gè)像素的具體數(shù)值，這些數(shù)值并不能為計(jì)算機(jī)提供便于后續(xù)分類運(yùn)算操作的有效語義信息。以一個(gè)RGB圖像為例，假設(shè)圖像的尺寸是32*32，那么計(jì)算機(jī)接收到的就是一個(gè)形狀為3*32*32的高維矩陣，或者更正式將該矩陣命名為“張量”（“張量”簡單來說就是高維的矩陣），故計(jì)算機(jī)進(jìn)行圖像分類任務(wù)其實(shí)是尋找一個(gè)函數(shù)關(guān)系，通過這個(gè)函數(shù)關(guān)系能夠?qū)⑦@些像素的數(shù)值映射到某一個(gè)具體的類別（類別可以用某個(gè)具體數(shù)值表示）[9]。1.1傳統(tǒng)圖像分類算法通常完整建立圖像識(shí)別模型一般包括底層特征提取、特征編碼、空間特征約束、分類器設(shè)計(jì)、模型融合等幾個(gè)階段。1.底層特征提?。簭膱D像中按照固定步長和尺度提取大量局部特征，一般也采用多種特征描述，防止丟失過多的有用信息。2.特征編碼：提取到的底層特征中一般都包含了大量冗余與噪聲，為了提高特征表達(dá)的魯棒性，需要一種特征變換算法完成對(duì)底層特征的編碼，該算法稱作特征編碼。3.空間特征約束：進(jìn)行特征編碼之后一般會(huì)經(jīng)歷空間特征約束過程，也稱作特征匯聚。特征匯聚是指在一個(gè)空間區(qū)域范圍內(nèi)，每一維特征取最大值或平均值，獲得一定特征不變形的特征表達(dá)。4.通過分類器分類：經(jīng)過上述步驟之后可以使用一個(gè)固定維度的向量描述輸入圖像，后通過分類器針對(duì)所提取的特征對(duì)圖像進(jìn)行分類。1.2卷積神經(jīng)網(wǎng)絡(luò)圖像分類基于深度學(xué)習(xí)的圖像分類，選定某一基礎(chǔ)神經(jīng)網(wǎng)絡(luò)作為基礎(chǔ)分類神經(jīng)網(wǎng)絡(luò)，將基礎(chǔ)圖像數(shù)據(jù)集分為訓(xùn)練集和測(cè)試集，用訓(xùn)練集對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行遷移學(xué)習(xí)（將神經(jīng)網(wǎng)絡(luò)當(dāng)作分類器），當(dāng)訓(xùn)練達(dá)到滿意效果后用測(cè)試集測(cè)試該網(wǎng)絡(luò)模型的分類效果，最后調(diào)用遷移學(xué)習(xí)完成的模型得到圖像分類結(jié)果[10]。CNN網(wǎng)絡(luò)主要特點(diǎn)是使用卷積層模擬人的視覺神經(jīng)通過卷積運(yùn)算進(jìn)行特征提取，使單個(gè)神經(jīng)元只對(duì)某種特定的圖像特征做出響應(yīng)，比如圖像橫向或者縱向的邊緣，單個(gè)神經(jīng)元本身非常簡單，但是將這些簡單的單體神經(jīng)元構(gòu)筑成一個(gè)完整層次結(jié)構(gòu)，在層數(shù)疊加足夠多后，就可以獲取足夠豐富的特征，特征越豐富，后續(xù)預(yù)測(cè)分類效果越好。卷積層初步提取特征：通過將卷積核大小不斷進(jìn)行修改，以此確定使得初步表征圖片特征的有用的卷積核是哪些，再得到與相應(yīng)的卷積核相乘后的輸出矩陣。池化層提取主要特征：對(duì)卷積層輸出的特征向量進(jìn)行降維操作，只保留最有用的圖片信息，減少噪聲的傳遞。全連接層將各部分特征匯總：重新切割池化層輸出的張量使其成為一些向量，與權(quán)重矩陣相乘，加上偏置值，然后對(duì)其使用RELU激活函數(shù)，用梯度下降法優(yōu)化參數(shù)。產(chǎn)生分類器，進(jìn)行預(yù)測(cè)識(shí)別2.3小樣本數(shù)據(jù)集微調(diào)在課題實(shí)際操作過程中，數(shù)據(jù)集過小會(huì)導(dǎo)致模型過擬合，而大型數(shù)據(jù)集的收集也存在操作難度，如何提高小樣本數(shù)據(jù)的泛化能力減少模型過擬合就成為一個(gè)網(wǎng)絡(luò)模型遷移學(xué)習(xí)中重要問題。在遷移學(xué)習(xí)中通過微調(diào)方法改變小樣本數(shù)據(jù)集能夠較好解決小樣本數(shù)據(jù)集過擬合問題，使模型具有更好的分類預(yù)測(cè)結(jié)果。以下為常用機(jī)器學(xué)習(xí)提高泛化能力方法[11]。2.3.1正則化在卷積神經(jīng)網(wǎng)絡(luò)模型的網(wǎng)絡(luò)層對(duì)權(quán)重、偏置向量或是輸出加入正則化項(xiàng)進(jìn)行優(yōu)化，這些項(xiàng)目和損失函數(shù)共同作為神經(jīng)網(wǎng)絡(luò)的最終優(yōu)化目標(biāo)，能夠減少因數(shù)據(jù)集過小導(dǎo)致的過擬合現(xiàn)象。或者可以在卷積神經(jīng)網(wǎng)絡(luò)中加入Dropout項(xiàng)/層，在模型訓(xùn)練時(shí)隨機(jī)暫停工作網(wǎng)絡(luò)模型某些隱含層神經(jīng)元的權(quán)重，并暫時(shí)將其暫停工作的節(jié)點(diǎn)從網(wǎng)絡(luò)結(jié)構(gòu)中取出，認(rèn)為暫時(shí)不屬于該網(wǎng)絡(luò)結(jié)構(gòu)，但保留節(jié)點(diǎn)對(duì)應(yīng)權(quán)重。通常情況下，通過調(diào)整Dropout項(xiàng)可有效減少過擬合的影響。2.3.2拓展數(shù)據(jù)集小樣本數(shù)據(jù)在模型的應(yīng)用中為得到較好分度精度，可使用數(shù)據(jù)增強(qiáng)方法對(duì)待檢測(cè)圖像進(jìn)行處理，如：旋轉(zhuǎn)，將圖像隨機(jī)旋轉(zhuǎn)一定角度，改變圖像內(nèi)容的朝向；翻轉(zhuǎn)變換，沿水平或垂直對(duì)圖像進(jìn)行翻轉(zhuǎn)；縮放變換，按一定比例放大或縮小圖像；平移變換，對(duì)圖像